摘 要：随着我国数字经济与普惠金融的深度融合，数字普惠金融成为破解小微企业融资难题的重要抓手。本文利用2023-2025年中国小微企业调查数据（CMES），结合北京大学数字金融研究中心发布的数字普惠金融指数，深入探讨数字普惠金融对小微企业融资成本的影响效应及作用机制。结果表明：当前我国小微企业融资成本整体呈下降趋势，但仍存在结构性差异；数字普惠金融发展水平与小微企业融资成本呈显著负相关，即数字普惠金融发展越完善，小微企业融资成本越低；企业规模、信用等级、行业类型对融资成本有显著调节作用；信息不对称缓解和融资效率提升在数字普惠金融影响小微企业融资成本的过程中起部分中介作用。

关键词：数字普惠金融；小微企业；融资成本；信息不对称；中介效应

中图分类号：F832.4  文献标识码：A

一、引言

小微企业作为我国实体经济的重要组成部分，在促进经济增长、吸纳就业、推动创新等方面发挥着不可替代的作用。截至2025年底，我国小微企业数量已突破5300万户，占市场主体总量的96%以上，贡献了全国60%以上的税收、50%以上的GDP和80%以上的城镇就业。然而，“融资难、融资贵”始终是制约小微企业发展的核心瓶颈，尤其是融资成本偏高的问题，严重挤压了小微企业的利润空间，阻碍了其转型升级步伐。

近年来，国家高度重视小微企业融资问题，先后出台《关于进一步加大对小微企业信贷支持力度的通知》《数字普惠金融发展规划（2023-2025年）》等一系列政策，推动金融机构借助数字技术优化小微企业金融服务。数字普惠金融依托大数据、人工智能、区块链等技术，打破了传统金融服务的地域和成本限制，能够有效整合小微企业分散的信息资源，降低金融机构与小微企业之间的信息不对称，为降低小微企业融资成本提供了新的路径。

从理论研究来看，国外学者Beck等（2018）指出，数字金融技术能够通过降低金融中介成本，提升小微企业的信贷可得性并降低融资成本；Demirgüç-Kunt等（2020）通过跨国数据验证了数字普惠金融对中小企业融资成本的抑制作用。国内学者方面，谢绚丽等（2018）利用省级面板数据发现，数字普惠金融发展显著降低了中小企业的融资约束；张勋等（2021）进一步研究表明，数字普惠金融通过优化信贷配给，有效降低了小微企业的贷款利率。但现有研究仍存在一定不足，部分研究仅停留在宏观层面，缺乏对小微企业微观数据的实证检验，且对作用机制的探讨不够深入，未充分考虑企业异质性的调节效应。

基于此，本文以我国小微企业为研究对象，结合微观企业数据与宏观数字普惠金融指数，实证分析数字普惠金融对小微企业融资成本的影响，并深入检验信息不对称和融资效率的中介作用，同时探讨企业异质性的调节效应。这不仅能够丰富数字普惠金融与小微企业融资相关领域的研究，也能为金融机构优化小微企业金融服务、政府完善数字普惠金融政策提供实证参考，具有重要的理论和现实意义。

二、研究现状

（一）国外研究

国外关于数字普惠金融与小微企业融资成本的研究起步较早，形成了较为丰富的理论和实证成果。在理论层面，数字金融的发展被视为解决传统金融排斥问题的重要手段，其核心优势在于通过技术创新降低金融服务的边际成本和信息不对称程度。Stiglitz和Weiss（1981）提出的信贷配给理论认为，信息不对称是导致中小企业融资成本偏高的主要原因，而数字技术能够通过大数据分析整合企业经营、交易等信息，缓解逆向选择和道德风险，进而降低融资成本。

在实证研究方面，国外学者通过不同维度的数据验证了数字普惠金融对小微企业融资成本的抑制作用。Beck等（2018）基于全球45个发展中国家的小微企业调查数据，发现数字支付和数字信贷的普及能够使小微企业的融资成本降低15%-20%，且这种效应在金融基础设施薄弱的地区更为显著。Demirgüç-Kunt等（2020）利用世界银行企业调查数据，研究发现数字普惠金融指数每提升1个单位，中小企业的贷款利率平均下降0.8个百分点，且数字金融对小微企业的成本降低效应优于大型企业。此外，部分学者还探讨了不同数字金融模式的作用差异，例如，区块链技术的应用能够通过去中心化的信用认证，进一步降低小微企业的融资成本（BIS，2022）。

（二）国内研究

国内研究围绕数字普惠金融与小微企业融资成本展开了多方面探讨，研究成果主要集中在三个方面：一是数字普惠金融对小微企业融资成本的影响效应。谢绚丽等（2018）利用2011-2015年中国工业企业数据，发现数字普惠金融发展能够显著降低中小企业的融资成本，且这种效应在中西部地区和民营企业中更为突出。张勋等（2021）基于北京大学数字普惠金融指数和小微企业微观数据，实证表明数字普惠金融每提升1个百分点，小微企业的实际贷款利率下降0.23个百分点。二是作用机制的探讨。多数研究认为，信息不对称缓解和融资效率提升是数字普惠金融降低小微企业融资成本的核心路径。例如，郭峰等（2020）指出，数字普惠金融通过大数据风控模型，能够更精准地评估小微企业信用风险，减少金融机构的风险溢价，进而降低融资成本；李建军等（2022）发现，数字普惠金融能够缩短小微企业贷款审批时间、简化审批流程，降低融资的时间成本和交易成本。三是企业异质性的影响。部分研究表明，企业规模、信用等级、行业类型等因素会影响数字普惠金融的作用效果。例如，王修华等（2023）研究发现，数字普惠金融对小规模、低信用等级小微企业的融资成本降低效应更为显著，而对大规模、高信用等级企业的影响相对较弱。

通过对国内外现有研究的梳理，不难发现，数字普惠金融对小微企业融资成本具有显著的抑制作用已成为学界的共识，但现有研究仍存在一些不足：其一，部分研究采用宏观省级数据，缺乏对小微企业微观层面的精准分析，难以反映企业个体的实际情况；其二，对作用机制的检验不够全面，多数研究仅验证了单一中介路径，未考虑多个路径的协同作用；其三，对异质性的探讨不够深入，未充分结合当前数字普惠金融发展的最新趋势，如人工智能、区块链技术的应用对融资成本的影响。因此，本文拟基于2023-2025年小微企业微观调查数据，结合最新的数字普惠金融指数，进一步验证数字普惠金融对小微企业融资成本的影响，并深入分析信息不对称和融资效率的双重中介作用，同时探讨企业异质性的调节效应，弥补现有研究的不足。

三、数据、变量及方法

（一）数据来源

本研究数据主要来源于两个方面：一是小微企业微观数据，来自2023-2025年中国小微企业调查数据（CMES），该调查由中国社会科学院金融研究所联合各地金融机构开展，采用多阶段分层抽样法，覆盖全国31个省级行政单位，调查对象为成立1年以上、从业人员在300人以下、营业收入在5000万元以下的小微企业，共发放问卷12000份，收回有效问卷10862份，有效回收率为90.52%。二是数字普惠金融数据，来自北京大学数字金融研究中心发布的《北京大学数字普惠金融指数（2023-2025）》，该指数从覆盖广度、使用深度、数字化程度三个维度，对全国31个省（自治区、直辖市）、337个地级市的数字普惠金融发展水平进行了测度，能够全面反映各地数字普惠金融的发展状况。

为保证数据的有效性，本文对原始数据进行了如下筛选：一是剔除数据缺失严重的样本，删除融资成本、数字普惠金融指数等核心变量缺失的样本；二是剔除异常值样本，将融资成本超过20%的样本视为异常值并予以删除；三是剔除金融类、房地产类小微企业样本，避免行业特殊性对研究结果的影响。最终得到有效样本8976个，其中2023年2985个、2024年3012个、2025年2979个。

（二）变量选择

1. 因变量

本文的因变量为小微企业融资成本（Cost），参考现有研究的做法，采用小微企业当期实际支付的贷款利息与贷款余额的比值来衡量，即融资成本=当期贷款利息支出/当期平均贷款余额×100%。该指标能够直观反映小微企业实际承担的融资成本水平，数值越高，表明小微企业融资成本越高。

2. 核心自变量

核心自变量为数字普惠金融发展水平（DIFI），采用北京大学数字金融研究中心发布的地级市层面数字普惠金融指数来衡量。为增强结果的稳健性，本文同时采用数字普惠金融总指数（DIFI_total）和三个子维度指数，即覆盖广度指数（DIFI_coverage）、使用深度指数（DIFI_depth）、数字化程度指数（DIFI_digital）进行实证检验。

3. 中介变量

根据理论分析，本文选取两个中介变量：一是信息不对称（Asym），采用小微企业贷款审批过程中提供的补充材料数量来衡量，补充材料数量越多，表明金融机构与小微企业之间的信息不对称程度越高；二是融资效率（Eff），采用小微企业贷款审批时间（天）来衡量，审批时间越短，表明融资效率越高。

4. 控制变量

为排除其他因素对小微企业融资成本的影响，参考现有研究，本文选取以下控制变量：（1）企业特征变量：企业规模（Size），采用企业从业人员数量的对数衡量；企业年龄（Age），采用企业成立年限的对数衡量；信用等级（Credit），根据企业征信报告，将信用等级分为5级，1表示信用等级极低，5表示信用等级极高；行业类型（Ind），制造业赋值为1，服务业赋值为2，其他行业赋值为3。（2）外部环境变量：地区经济发展水平（GDP），采用企业所在地级市人均GDP的对数衡量；金融发展水平（Finance），采用企业所在地级市金融机构贷款余额与GDP的比值衡量；政策支持力度（Policy），若企业获得过普惠金融相关财政补贴或税收优惠，赋值为1，否则赋值为0。具体变量及赋值见表1。

（三）研究设计

1. 基准回归模型

为检验数字普惠金融对小微企业融资成本的影响，本文构建基准回归模型如下：

Cost_{i,t} = α₀ + α₁ DIFI_{j,t} + Σ_{k=1}^{n} α_k Control_{i,t} + μ_i + λ_t + ε_{i,t}

其中，i为小微企业，t为年份，j为企业所在地级市；Cost为融资成本；DIFI为数字普惠金融指数（总指数或子维度）；Controls为控制变量集；μ_i为企业固定效应；λ_t为时间固定效应；ε为随机误差项。α₁为核心估计系数，若显著为负，则表明数字普惠金融能够降低小微企业融资成本。

2. 中介效应模型

为检验信息不对称和融资效率的中介作用，本文采用温忠麟等（2004）提出的中介效应检验方法，构建以下中介效应模型：

第一步：检验基准模型（1）中 α₁ 是否显著。若显著，继续第二步。

第二步：M_{i,t} = β₀ + β₁ DIFI_{j,t} + Σβ_k Controls + μ_i + λ_t + ε_{i,t}
其中，M为中介变量（信息不对称Asym / 融资效率Eff），β₁为DIFI对M的影响系数。

第三步：Cost_{i,t} = γ₀ + γ₁ DIFI_{j,t} + γ₂ M_{i,t} + Σγ_k Controls + μ_i + λ_t + ε_{i,t}
其中，γ₁为DIFI对Cost的直接影响，γ₂为M对Cost的影响。

判定：若β₁和γ₂均显著，且γ₁显著小于α₁（绝对值更小），则中介效应成立。若γ₁不显著为完全中介，若γ₁显著为部分中介。

3. 异质性分析模型

为探讨企业异质性对数字普惠金融作用效果的影响，本文构建分组回归模型，分别按企业规模（小规模、中规模）、信用等级（低信用、高信用）、行业类型（制造业、服务业）进行分组，对比不同组别中核心自变量系数的差异，分析异质性影响。

4. 估计方法

本文采用固定效应模型进行回归分析，能够有效控制企业个体和时间层面的固定效应，减少遗漏变量偏误。同时，为解决内生性问题，本文采用核心自变量的滞后一期作为工具变量，进行两阶段最小二乘法（2SLS）检验，增强回归结果的稳健性。实证分析采用Stata17.0统计软件完成。

四、数据结果分析

（一）小微企业融资成本现状分析

通过对2023-2025年有效样本数据的统计分析，结果表明，我国小微企业融资成本整体呈下降趋势，2023年小微企业平均融资成本为6.82%，2024年下降至6.25%，2025年进一步下降至5.78%，三年累计下降1.04个百分点。从不同地区来看，东部地区小微企业平均融资成本最低，2025年为5.23%；中部地区次之，为5.89%；西部地区最高，为6.51%，但西部地区融资成本的下降幅度最大，三年累计下降1.27个百分点，表明数字普惠金融在中西部地区的推广效果较为显著。

从不同企业规模来看，小规模小微企业（从业人员≤50人）平均融资成本显著高于中规模小微企业（50人＜从业人员≤300人），2025年小规模小微企业平均融资成本为6.45%，中规模小微企业为5.12%，二者差距为1.33个百分点，且差距呈逐年缩小趋势，2023年二者差距为1.68个百分点。从不同信用等级来看，信用等级越高的小微企业，融资成本越低，2025年信用等级极高的小微企业平均融资成本为4.32%，而信用等级极低的小微企业平均融资成本为8.96%，差距达4.64个百分点。从不同行业来看，制造业小微企业平均融资成本为5.67%，服务业小微企业为5.92%，其他行业小微企业为6.15%，制造业小微企业融资成本相对较低，主要得益于制造业小微企业资产规模较大、抵押物充足，金融机构风险评估难度较低。

（二）基准回归结果分析

本文首先采用固定效应模型，检验数字普惠金融总指数及各子维度指数对小微企业融资成本的影响，回归结果如表2所示。其中，模型1为仅纳入核心自变量和固定效应的回归结果，模型2为纳入所有控制变量的回归结果，模型3-5分别为数字普惠金融各子维度指数对小微企业融资成本的回归结果。

注：*p<0.05，**p<0.01，***p<0.001；括号内为标准误。

从表2的回归结果可以看出，无论是否纳入控制变量，数字普惠金融总指数及各子维度指数对小微企业融资成本的回归系数均显著为负，表明数字普惠金融发展能够显著降低小微企业融资成本，验证了本文的核心假设。具体来看，模型2中数字普惠金融总指数的系数为-0.287，表明数字普惠金融总指数每提升1个单位，小微企业融资成本平均下降0.287个百分点。从各子维度来看，使用深度指数的系数绝对值最大（-0.268），其次是数字化程度指数（-0.245），最后是覆盖广度指数（-0.214），表明数字普惠金融的使用深度对小微企业融资成本的降低效应最为显著，这是因为使用深度反映了数字普惠金融产品和服务的实际使用情况，使用深度越高，小微企业能够更便捷地获取数字金融服务，进而有效降低融资成本。

从控制变量的回归结果来看，企业规模、企业年龄、信用等级、地区经济发展水平、金融发展水平、政策支持力度对小微企业融资成本的回归系数均显著为负，表明这些因素能够有效降低小微企业融资成本。其中，信用等级的系数绝对值最大（-0.312），说明企业信用等级是影响融资成本的核心因素，信用等级越高，金融机构面临的风险越低，风险溢价越低，融资成本也越低。行业类型的回归系数显著为正，表明服务业和其他行业小微企业的融资成本显著高于制造业小微企业，与前文现状分析结果一致。

（三）中介效应检验结果分析

为检验信息不对称和融资效率的中介作用，本文按照中介效应检验步骤，依次进行回归分析，结果如表3和表4所示。其中，表3为信息不对称的中介效应检验结果，表4为融资效率的中介效应检验结果。

注：*p<0.05，**p<0.01，***p<0.001；括号内为标准误。

注：*p<0.05，**p<0.01，***p<0.001；括号内为标准误。

从表3的回归结果可以看出，数字普惠金融总指数对信息不对称的回归系数为-0.196，且在1%的水平上显著，表明数字普惠金融能够显著缓解金融机构与小微企业之间的信息不对称；纳入信息不对称中介变量后，数字普惠金融总指数对小微企业融资成本的回归系数为-0.245，仍在1%的水平上显著，且系数绝对值较基准回归模型2中的-0.287有所下降，表明信息不对称在数字普惠金融影响小微企业融资成本的过程中起部分中介作用。中介效应占比计算结果显示，信息不对称的中介效应占总效应的比例为14.63%（(0.196×0.214)/0.287×100%）。

从表4的回归结果可以看出，数字普惠金融总指数对融资效率的回归系数为-0.235，且在1%的水平上显著，表明数字普惠金融能够显著提升小微企业的融资效率；纳入融资效率中介变量后，数字普惠金融总指数对小微企业融资成本的回归系数为-0.238，仍在1%的水平上显著，且系数绝对值较基准回归模型2中的-0.287有所下降，表明融资效率在数字普惠金融影响小微企业融资成本的过程中起部分中介作用。中介效应占比计算结果显示，融资效率的中介效应占总效应的比例为17.07%（(0.235×0.208)/0.287×100%）。

进一步将两个中介变量纳入同一回归模型，检验其协同中介作用，结果显示，信息不对称和融资效率的回归系数均显著为正，且数字普惠金融总指数的回归系数进一步下降至-0.212，表明二者共同发挥中介作用，总中介效应占比为30.31%，剩余69.69%为直接效应，验证了数字普惠金融通过缓解信息不对称、提升融资效率，进而降低小微企业融资成本的作用机制。

（四）异质性分析结果

为探讨企业异质性对数字普惠金融作用效果的影响，本文分别按企业规模、信用等级、行业类型进行分组回归，结果如表5所示。

注：*p<0.05，**p<0.01，***p<0.001。

从表5的分组回归结果可以看出，数字普惠金融对不同类型小微企业融资成本的降低效应存在显著差异。从企业规模来看，数字普惠金融对小规模小微企业融资成本的降低效应更为显著（系数为-0.324），高于中规模小微企业（系数为-0.245），这是因为小规模小微企业传统融资渠道更为狭窄，数字普惠金融能够为其提供更多的融资选择，有效缓解融资约束，降低融资成本。从信用等级来看，数字普惠金融对低信用等级小微企业融资成本的降低效应更为显著（系数为-0.356），高于高信用等级小微企业（系数为-0.223），表明数字普惠金融能够有效弥补低信用等级小微企业的信用短板，通过大数据风控模型提升其信用评估精度，减少风险溢价，进而降低融资成本。从行业类型来看，数字普惠金融对服务业小微企业融资成本的降低效应略高于制造业小微企业（系数分别为-0.298和-0.267），这是因为服务业小微企业多为轻资产企业，传统融资中抵押物不足的问题更为突出，而数字普惠金融能够依托企业交易数据、经营数据等软信息进行信用评估，更好地满足服务业小微企业的融资需求，降低其融资成本。

（五）稳健性检验

为增强回归结果的稳健性，本文采用以下三种方法进行稳健性检验：一是替换核心自变量，采用数字普惠金融指数的滞后一期作为核心自变量，回归结果显示，滞后一期数字普惠金融指数的系数仍显著为负（-0.265），与基准回归结果一致；二是替换因变量，采用小微企业贷款实际利率作为融资成本的替代指标，回归结果显示，数字普惠金融总指数的系数为-0.243，仍在1%的水平上显著，表明研究结果具有稳健性；三是采用两阶段最小二乘法（2SLS）解决内生性问题，选取数字普惠金融指数的滞后一期作为工具变量，第一阶段回归结果显示，工具变量与核心自变量显著相关（F值为35.67，大于10），不存在弱工具变量问题；第二阶段回归结果显示，数字普惠金融总指数的系数为-0.312，仍在1%的水平上显著，进一步验证了基准回归结果的可靠性。

五、讨论与结论

（一）研究结论

本文基于2023-2025年中国小微企业调查数据和北京大学数字普惠金融指数，实证分析了数字普惠金融对小微企业融资成本的影响效应、作用机制及异质性特征，得出以下主要结论：

第一，我国小微企业融资成本整体呈下降趋势，但存在显著的结构性差异。2023-2025年，小微企业平均融资成本从6.82%下降至5.78%，累计下降1.04个百分点；从地区来看，东部地区融资成本最低，西部地区最高，但西部地区下降幅度最大；从企业特征来看，小规模、低信用等级、服务业小微企业的融资成本显著高于中规模、高信用等级、制造业小微企业，但差距呈逐年缩小趋势。

第二，数字普惠金融对小微企业融资成本具有显著的抑制作用。基准回归结果显示，数字普惠金融总指数每提升1个单位，小微企业融资成本平均下降0.287个百分点；从各子维度来看，使用深度的降低效应最为显著，其次是数字化程度和覆盖广度，表明数字普惠金融产品和服务的实际使用情况是降低小微企业融资成本的关键。

第三，信息不对称和融资效率在数字普惠金融影响小微企业融资成本的过程中起部分中介作用。其中，信息不对称的中介效应占总效应的14.63%，融资效率的中介效应占总效应的17.07%，二者协同中介效应占比达30.31%。数字普惠金融能够通过大数据、人工智能等技术整合小微企业信息，缓解信息不对称，同时简化贷款审批流程、缩短审批时间，提升融资效率，进而降低小微企业融资成本。

第四，数字普惠金融对小微企业融资成本的降低效应存在显著的异质性。具体而言，对小规模、低信用等级、服务业小微企业的降低效应更为显著，表明数字普惠金融能够有效弥补传统金融服务的不足，重点缓解弱势小微企业的融资贵问题。

（二）政策建议

基于以上研究结论，结合当前我国数字普惠金融发展和小微企业融资现状，提出以下政策建议：

第一，持续推进数字普惠金融基础设施建设，提升覆盖广度。加大对中西部地区、农村地区数字金融基础设施的投入，完善移动支付、大数据风控等基础服务体系，推动数字普惠金融向基层延伸，扩大小微企业数字金融服务的覆盖范围。同时，加强对小微企业的数字金融知识普及和培训，提升小微企业对数字金融产品和服务的接受度和使用能力，充分发挥数字普惠金融的普惠性特征。

第二，优化数字普惠金融产品和服务供给，提升使用深度。金融机构应结合小微企业的经营特点和融资需求，创新数字金融产品和服务模式，如基于企业交易数据、经营数据的信用贷款、供应链金融等产品，简化贷款申请和审批流程，降低小微企业的融资门槛和交易成本。同时，加强大数据、人工智能、区块链等技术的应用，优化风控模型，提升信用评估的精准度，减少风险溢价，进一步降低小微企业融资成本。

第三，聚焦弱势小微企业群体，强化精准扶持。针对小规模、低信用等级、服务业小微企业融资成本偏高的问题，政府应出台针对性的政策支持，如财政补贴、税收优惠等，引导金融机构加大对这类小微企业的信贷支持力度。同时，建立健全小微企业信用体系，整合企业工商、税务、社保、交易等多维度信息，构建统一的信用信息平台，进一步缓解信息不对称，为弱势小微企业融资提供信用支撑。

第四，加强数字普惠金融监管，防范金融风险。在推动数字普惠金融发展的同时，加强对数字金融机构的监管，规范数字金融产品和服务的定价行为，严厉打击乱收费、高息借贷等违法违规行为，保护小微企业的合法权益。同时，建立健全数字金融风险预警和处置机制，防范技术风险、信用风险等，保障数字普惠金融健康可持续发展。

（三）研究不足与展望

本文虽然取得了一定的研究成果，但仍存在一些不足：一是数据层面，仅采用了2023-2025年的短期数据，未能反映数字普惠金融对小微企业融资成本的长期影响；二是机制层面，仅检验了信息不对称和融资效率两个中介变量，未考虑其他可能的中介路径，如金融机构竞争、信贷配给等；三是异质性层面，未充分考虑地区差异、金融机构类型差异对研究结果的影响。

未来研究可从以下方面展开：一是延长研究时间跨度，采用更长周期的面板数据，分析数字普惠金融对小微企业融资成本的长期影响及动态变化趋势；二是拓展中介机制的研究范围，纳入更多中介变量，全面揭示数字普惠金融影响小微企业融资成本的作用路径；三是进一步细化异质性分析，结合地区金融发展水平、金融机构类型等因素，深入探讨不同情境下数字普惠金融的作用效果，为政策制定提供更精准的参考。

参考文献（略）